CN105807607B - 一种遗传算法优化预测模糊pid焦化炉温度控制方法 - Google Patents

Abstract

本发明公开了一种遗传算法优化预测模糊PID焦化炉温度控制方法。本发明首先基于焦化炉温度对象的实时数据建立焦化炉温度对象的模型。在此模型的基础上，依据模糊控制在线调整PID控制器的参数，引入预测控制达到提前调整的目的。针对传统的获取控制规则方法的不足，采用遗传算法优化其模糊控制规则，从而使经过优化获得的控制规则更加合理。本发明弥补了传统控制方式的不足，保证具备良好的控制性能，同时又具有PID控制的简单形式，从而保证温度跟踪的精度。

Description

一种遗传算法优化预测模糊PID焦化炉温度控制方法

技术领域

本发明属于自动化技术领域，涉及一种遗传算法优化预测模糊比例积分微分(PID)焦化炉温度控制方法。

背景技术

化工过程是我国流程工业过程的重要组成部分，其要求是供给合格的工业产品，以满足我国工业的需要。在目前工业控制中，因为传统的PID控制技术具有结构简单、鲁棒性好、易于操作等优点，所以在工业中得到了广泛的应用。在实际工业控制过程中，由于干扰、非线性等因素，传统的PID对焦化炉温度控制的控制性能差，往往不能满足实际化工过程中的日益严格的控制精度和产品质量要求，更加先进、控制效果更好的方法仍然有待研究。针对温度控制过程的控制方法有很多，现已取得了一定的成果。预测模糊PID控制实现了PID控制器的参数进行在线调整，引入的预测控制达到了提前调整的目的。针对传统的获取控制规则方法的不足，采用遗传算法优化其模糊控制规则，从而使经过优化获得的控制规则更加合理，保证了控制结构的形式简单和跟踪精度。

发明内容

本发明的目的是针对现有的化工过程系统控制技术的不足之处，提供一种遗传算法优化预测模糊PID焦化炉温度控制方法。该方法弥补了传统控制方式的不足，保证具备良好的控制性能，同时又具有PID控制的简单形式，从而保证温度跟踪的精度。

本发明方法首先基于焦化炉温度对象的实时数据建立焦化炉温度对象的模型。在此模型的基础上，依据模糊控制在线调整PID控制器的参数，引入预测控制达到提前调整的目的。针对传统的获取控制规则方法的不足，采用遗传算法优化其模糊控制规则，从而使经过优化获得的控制规则更加合理。

本发明的技术方案是通过数据采集、模型建立、优化等手段，提供一种基于遗传算法优化预测模糊PID焦化炉温度控制方法，从而在实际过程中对温度控制获得更好的控制性能，有效提高系统的控制性能。

本发明方法的步骤包括：

步骤1、建立焦化炉的一阶惯性加纯滞后模型，具体步骤是：

1.1通过采集被控对象的阶跃响应数据，利用两点法建立系统模型。形式如下：

其中，K_m,T_m,τ_m分别为模型的稳态增益、时间常数和纯滞后时间。在加一个零阶保持器离散化后，模型的差分方程为：

y_m(k)＝a_my(k)+K_m(1-a_m)u(k-L-1)

其中，y_m(k)为k时刻的过程对象模型预测输出，u(k-1-L)为k-L-1时刻的被控对象的控制输入，T_s为采样时间；L等于τ_m/T_s的整数部分。

1.2计算过程对象去掉纯滞后以后在预测函数控制下的第P步预测输出，形式如下：

y_mav(k)＝a_my_mav(k-1)+K_m(1-a_m)u(k-1)

其中，P为预测步长，y_mav(k+P)为k时刻去掉纯滞后的过程对象在预测函数控制下的第P步预测输出，y_mav(k)为k时刻去掉纯滞后的过程模型输出。

1.3修正当前时刻的实际输出得到包含未来预测信息的新的过程实际输出值，形式如下：

y_pav(k)＝y_p(k)+y_mav(k)-y_mav(k-L)

其中，y_pav(k)为校正得到的k时刻包含未来预测信息的新的过程输出值，y_p(k)为k时刻的实际输出值。

步骤2、设计被控对象的模糊PID控制器，具体步骤是：

2.1通过PID控制器获取经验PID参数其中，经验PID参数是在无模糊控制器的情况下，先通过实验法调试好的一组较理想的PID参数，并以该参数作为经验PID控制参数。

2.2构建模糊控制器，模糊控制器包括模糊器，模糊推理机、数据库、规则库和解模糊器；

模糊控制器的建立方式如下：

2.2.1模糊语言变量的确定

将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入语言，ΔK_p,ΔK_i,ΔK_d为输出语言。其变化范围定义为模糊机上的基本论域：[-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6].

其模糊子集为e(t)，Δe(t)＝{NB,NM,NS,ZE,PS,PM,PB},其子集分别表示为：负大、负中、负小、正小、正中、正大。将基本论域的量进行离散化然后进行模糊处理，如果输入语言范围在基本论域内，可通过线性变化公式进行转化，公式如下：

2.2.2确定隶属度函数

一般来说，模糊隶属度函数对控制效果的影响并不是很大，这里选取运算较为简单的三角形隶属度函数，其形状仅与斜率直线相关，运行内存占有较少，适合于在线调整。

2.2.3建立模糊规则库

当系统偏差较大时，为了加快响应速度，同时避免超调与积分饱和，这时应该选取较大的K_p，中等的K_d以及较小的K_i。当系统偏差较小时，为了保证系统的稳定性，应该取较小的K_p和K_i，较大K_d。

根据规则分析，可制定出模糊规则表。

以上步骤2.2是在控制系统开始运行后，将给定温度和当前温度做差分运算，根据差值的大小、方向、变化趋势等特征，通过模糊推理机作出决策，经过解模糊器处理得出相应PID增益参数ΔK_p,ΔK_i,ΔK_d。

2.3将经验PID参数和设定值输入模糊自整定PID控制器；

2.4将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入，在模糊控制器内经过模糊化、映射模糊规则库、解模糊处理，得出一组PID增益参数ΔK_p,ΔK_i,ΔK_d，将该增益参数与经验PID参数线性相加，获取一组理想的PID参数：

2.5将获取的温度偏差e(t)和理想的PID参数做PID运算获取执行机构的控制量u(t)，其表示式如下：

执行机构的控制量u(t)作用在被控对象上，从而控制温度。

步骤3、利用遗传算法优化模糊规则，具体步骤是：

3.1首先对模糊规则参数进行二进制编码，每个数字使用四位二进制，将其串联起来得到第一代染色体。在遗传算法中，使用1，2，3，4，5，6，7分别代表模糊控制表中语言变量NB，NM，NS，ZO，PS，PM，PB。

3.2选取遗传算法的适应度函数，并计算个体的适应度值，形式如下：

其中，F是个体的适应度函数。当适应度函数值大于适应度预设值f_z时，遗传算法终止。

3.3利用轮转法来确定选择算子，形式如下：

其中，P(C_l)是个体C_l的选择概率，f(C_l)是个体C_l的适应度。

3.4利用步骤3.3中的选择算子将染色体适应度较高的个体选择出来以交叉概率p_c进行交叉操作，产生下一代个体。

3.5选取合适的变异算子，形式如下：

其中，a₀表示变异概率p_m的初始值，b₀是变异概率的程度，g式进化的代数，g₀是变异概率改变很大的进化代数，a是变异速率。

3.6在个体数目大于种群规模N时，得到剪接算子，形式如下：

其中，ρ取正数。

3.7依照步骤3.2计算每个个体的适应度值，并判断是否满足终止条件，如果满足，则为参数的最优解，进行下一步操作，如果不满足，则执行步骤3.2到步骤3.6，直到找到满足终止条件为止。

3.8对染色体进行解码，形式如下：

其中，Q是长度为L的二进制解码产生的整数，x_j,min和x_j,max分别为输入变量的最小值和最大值，w_max是高斯函数的基宽的最大值。

通过步骤3优化后的模糊规则带入步骤2中调整模糊规则，并利用预测模型对过程输出进行预测，在下一时刻依照步骤1到步骤3的步骤继续对实际过程进行预测，依次循环。

本发明有益效果：

本发明方法首先基于焦化炉温度对象的实时数据建立焦化炉温度对象的模型。在此模型的基础上，依据模糊控制在线调整PID控制器的参数，引入预测控制达到提前调整的目的。针对传统的获取控制规则方法的不足，采用遗传算法优化其模糊控制规则，从而使经过优化获得的控制规则更加合理。

附图说明

图1为发明的预测模糊自整定PID的焦化炉温度控制系统结构图。

具体实施方式

下面以焦化炉温度预测过程为例，对本发明作进一步说明。

在焦化炉温度预测过程中，为评估模型的性能，由工业生产的实际应用系统得到温度的实时数据，见图1。

遗传算法优化预测模糊PID焦化炉温度控制方法的具体步骤包括：

步骤1、建立焦化炉的一阶惯性加纯滞后模型，具体步骤是：

1.1通过采集被控对象的阶跃响应数据，利用两点法建立系统模型。形式如下：

其中，K_m,T_m,τ_m分别为模型的稳态增益、时间常数和纯滞后时间。在加一个零阶保持器离散化后，模型的差分方程为：

y_m(k)＝a_my(k)+K_m(1-a_m)u(k-L-1)

其中，y_m(k)为k时刻的过程对象模型预测输出，u(k-1-L)为k-L-1时刻的被控对象的控制输入，T_s为采样时间；L等于τ_m/T_s的整数部分。

1.2计算过程对象去掉纯滞后以后在预测函数控制下的第P步预测输出，形式如下：

y_mav(k)＝a_my_mav(k-1)+K_m(1-a_m)u(k-1)

其中，P为预测步长，y_mav(k+P)为k时刻去掉纯滞后的过程对象在预测函数控制下的第P步预测输出，y_mav(k)为k时刻去掉纯滞后的过程模型输出。

1.3修正当前时刻的实际输出得到包含未来预测信息的新的过程实际输出值，形式如下：

y_pav(k)＝y_p(k)+y_mav(k)-y_mav(k-L)

其中，y_pav(k)为校正得到的k时刻包含未来预测信息的新的过程输出值，y_p(k)为k时刻的实际输出值。

步骤2、设计焦化炉的模糊PID控制器，具体步骤是：

2.1通过PID控制器获取经验PID参数其中，经验PID参数是在无模糊控制器的情况下，先通过实验法调试好的一组较理想的PID参数，并以该参数作为经验PID控制参数。

2.2构建模糊控制器，模糊控制器包括模糊器，模糊推理机、数据库、规则库和解模糊器；

模糊控制器的建立方式如下：

2.2.1模糊语言变量的确定

将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入语言，ΔK_p,ΔK_i,ΔK_d为输出语言。其变化范围定义为模糊机上的基本论域：[-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6].

其模糊子集为e(t)，Δe(t)＝{NB,NM,NS,ZE,PS,PM,PB},其子集分别表示为：负大、负中、负小、正小、正中、正大。将基本论域的量进行离散化然后进行模糊处理，如果输入语言范围在基本论域内，可通过线性变化公式进行转化，公式如下：

2.2.2确定隶属度函数

一般来说，模糊隶属度函数对控制效果的影响并不是很大，这里选取运算较为简单的三角形隶属度函数，其形状仅与斜率直线相关，运行内存占有较少，适合于在线调整。

2.2.3建立模糊规则库

当系统偏差较大时，为了加快响应速度，同时避免超调与积分饱和，这时应该选取较大的K_p，中等的K_d以及较小的K_i。当系统偏差较小时，为了保证系统的稳定性，应该取较小的K_p和K_i，较大K_d。

根据规则分析，可制定出模糊规则表。

以上步骤2.2是在控制系统开始运行后，将给定温度和当前温度做差分运算，根据差值的大小、方向、变化趋势等特征，通过模糊推理机作出决策，经过解模糊器处理得出相应PID增益参数ΔK_p,ΔK_i,ΔK_d。

2.3将经验PID参数和设定值输入模糊自整定PID控制器。

2.4将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入，在模糊控制器内经过模糊化、映射模糊规则库、解模糊处理，得出一组PID增益参数ΔK_p,ΔK_i,ΔK_d，将该增益参数与经验PID参数线性相加，获取一组理想的PID参数：

2.5将获取的温度偏差e(t)和理想的PID参数做PID运算获取执行机构的控制量u(t)，其表示式如下：

执行机构的控制量u(t)作用在被控对象上，从而控制温度。

步骤3、利用遗传算法优化模糊规则，具体步骤是：

3.1首先对模糊规则参数进行二进制编码，每个数字使用四位二进制，将其串联起来得到第一代染色体。在遗传算法中，使用1，2，3，4，5，6，7分别代表模糊控制表中语言变量NB，NM，NS，ZO，PS，PM，PB。

3.2选取遗传算法的适应度函数，并计算个体的适应度值，形式如下：

其中，F是个体的适应度函数。当适应度函数值大于适应度预设值f_z时，遗传算法终止。

3.3利用轮转法来确定选择算子，形式如下：

其中，P(C_l)是个体C_l的选择概率，f(C_l)是个体C_l的适应度。

3.4利用步骤3.3中的选择算子将染色体适应度较高的个体选择出来以交叉概率p_c进行交叉操作，产生下一代个体。

3.5选取合适的变异算子，形式如下：

其中，a₀表示变异概率p_m的初始值，b₀是变异概率的程度，g式进化的代数，g₀是变异概率改变很大的进化代数，a是变异速率。

3.6在个体数目大于种群规模N时，得到剪接算子，形式如下：

其中，ρ取正数。

3.7依照步骤3.2计算每个个体的适应度值，并判断是否满足终止条件，如果满足，则为参数的最优解，进行下一步操作，如果不满足，则执行步骤3.2到步骤3.6，直到找到满足终止条件为止。

3.8对染色体进行解码，形式如下：

其中，Q是长度为L的二进制解码产生的整数，x_j,min和x_j,max分别为输入变量的最小值和最大值，w_max是高斯函数的基宽的最大值。

通过步骤3优化后的模糊规则带入步骤2中调整模糊规则，并利用预测模型对过程输出进行预测，在下一时刻依照步骤1到步骤3的步骤继续对实际过程进行预测，依次循环。

Claims (1)

1.一种遗传算法优化预测模糊PID焦化炉温度控制方法，其特征在于该方法包括以下步骤；

步骤1、建立焦化炉的一阶惯性加纯滞后模型，具体是：

1.1通过采集被控对象的阶跃响应数据，利用两点法建立系统模型；形式如下：

其中，K_m,T_m,τ_m分别为模型的稳态增益、时间常数和纯滞后时间；在加一个零阶保持器离散化后，模型的差分方程为：

y_m(k)＝a_my(k)+K_m(1-a_m)u(k-L-1)

其中，y_m(k)为k时刻的过程对象模型预测输出，

u(k-L -1 )为k-L-1时刻的被控对象的控制输入，T_s为采样时间；L等于τ_m/T_s的整数部分；

1.2计算过程对象去掉纯滞后以后在预测函数控制下的第P步预测输出，形式如下：

y_mav(k)＝a_my_mav(k-1)+K_m(1-a_m)u(k-1)

其中，P为预测步长，y_mav(k+P)为k时刻去掉纯滞后的过程对象在预测函数控制下的第P步预测输出，y_mav(k)为k时刻去掉纯滞后的过程模型输出；

1.3修正当前时刻的实际输出得到包含未来预测信息的新的过程实际输出值，形式如下：

y_pav(k)＝y_p(k)+y_mav(k)-y_mav(k-L)

其中，y_pav(k)为校正得到的k时刻包含未来预测信息的新的过程输出值，y_p(k)为k时刻的实际输出值；

步骤2、设计被控对象的模糊PID控制器，具体是：

2.1通过PID控制器获取经验PID参数

2.2构建模糊控制器，模糊控制器包括模糊器，模糊推理机、数据库、规则库和解模糊器；

模糊控制器的建立方式如下：

2.2.1模糊语言变量的确定

将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入语言，ΔK_p,ΔK_i,ΔK_d为输出语言；其变化范围定义为模糊推理机上的基本论域：[-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6]

其模糊子集为e(t)，Δe(t)＝{NB,NM,NS,ZE,PS,PM,PB},其子集分别表示为：负大、负中、负小、零、正小、正中、正大；将基本论域的量进行离散化然后进行模糊处理，如果输入语言范围在基本论域内，通过线性变化公式进行转化，公式如下：

2.2.2确定隶属度函数，选取运算较为简单的三角形隶属度函数；

2.2.3建立模糊规则库

当系统偏差较大时，为了加快响应速度，同时避免超调与积分饱和，这时应该选取较大的K_p，中等的K_d以及较小的K_i；当系统偏差较小时，为了保证系统的稳定性，应该取较小的K_p和K_i，较大K_d；

根据规则分析，制定出模糊规则表；

以上步骤2.2是在控制系统开始运行后，将给定温度和当前温度做差分运算，根据差值的大小、方向、变化趋势，通过模糊推理机作出决策，经过解模糊器处理得出相应PID增益参数ΔK_p,ΔK_i,ΔK_d；

2.3将经验PID参数和设定值输入模糊自整定PID控制器；

2.4将温度偏差e(t)和温度偏差的变化率Δe(t)作为模糊控制器的输入，在模糊控制器内经过模糊化、映射模糊规则库、解模糊处理，得出一组PID增益参数ΔK_p,ΔK_i,ΔK_d，将该增益参数与经验PID参数线性相加，获取一组理想的PID参数：

2.5将获取的温度偏差e(t)和理想的PID参数做PID运算获取执行机构的控制量u(t)，其表示式如下：执行机构的控制量u(t)作用在被控对象上，从而控制温度；

步骤3、利用遗传算法优化模糊规则，具体是：

3.1首先对模糊规则参数进行二进制编码，每个数字使用四位二进制，将其串联起来得到第一代染色体；在遗传算法中，使用1，2，3，4，5，6，7分别代表模糊控制表中语言变量NB，NM，NS，ZE，PS，PM，PB；

3.2选取遗传算法的适应度函数，并计算个体的适应度值，形式如下：

其中，F是个体的适应度函数；当适应度函数值大于适应度预设值f_z时，遗传算法终止；

3.3利用轮转法来确定选择算子，形式如下：

其中，P(C_l)是个体C_l的选择概率，f(C_l)是个体C_l的适应度；

3.4利用步骤3.3中的选择算子将染色体适应度较高的个体选择出来以交叉概率p_c进行交叉操作，产生下一代个体；

3.5选取合适的变异算子，形式如下：

其中，a₀表示变异概率p_m的初始值，b₀是变异概率的程度，g是 进化的代数，g₀是变异概率改变很大的进化代数，a是变异速率；

3.6在个体数目大于种群规模N时，得到剪接算子，形式如下：

其中，ρ取正数；

3.7依照步骤3.2计算每个个体的适应度值，并判断是否满足终止条件，如果满足，则为参数的最优解，进行下一步操作，如果不满足，则执行步骤3.2到步骤3.6，直到找到满足终止条件为止；

3.8对染色体进行解码，形式如下：

其中，Q是长度为L的二进制解码产生的整数，x_j,min和x_j,max分别为输入变量的最小值和最大值，w_max是高斯函数的基宽的最大值；

通过步骤3优化后的模糊规则带入步骤2中调整模糊规则，并利用预测模型对过程输出进行预测，在下一时刻依照步骤1到步骤3的步骤继续对实际过程进行预测，依次循环。